- Страна
- Россия
Откликайтесь
на вакансии с ИИ
MLOps Engineer (Lead)
Оценка ИИОтличная вакансия для опытного специалиста: известный бренд Aston, широкий социальный пакет (ДМС, английский, спорт) и возможность влиять на архитектуру. Гибкий формат работы и прозрачная система роста делают предложение очень привлекательным.
Сложность вакансии
Оценка ИИРоль требует редкого сочетания навыков: глубокой экспертизы в MLOps, уверенного бэкенд-опыта на Python и подтвержденного стажа руководства командой. Дополнительную сложность придает необходимость работы с BigData стеком и интеграцией сложных ИИ-моделей.
Анализ зарплаты
Оценка ИИЗарплата в вакансии не указана, но для позиции Lead MLOps в России рыночный диапазон составляет от 350 000 до 550 000 рублей. Aston обычно предлагает конкурентоспособные условия, соответствующие рынку крупных аутсорс-продакшнов.
Сопроводительное письмо
Составьте идеальное письмо к вакансии с ИИ-агентом
Откликнитесь в Aston уже сейчас
Присоединяйтесь к Aston в роли Lead MLOps и возглавьте разработку инновационных ML-решений!
Описание вакансии
MLOps Engineer (Lead)
Компания: Aston
*☑️*Чем предстоит заниматься:
-активно участвовать в разработке микросервисов на Python;
-участвовать в проработке технических требований, архитектуры и подходов к решению;
-участвовать в управлении бэклогом команды, проводить приоритезацию и контролировать выполнение задач;
-заниматься people-менеджментом: участвовать в найме, развитии сотрудников и т.д.
*☑️*Чего мы ждем от специалиста?
-опыт работы в роли MLOps Engineer от 4-х лет;
-опыт работы в роли Team Lead/ проведение code review – не менее 1 года;
-опыт коммерческой backend-разработки на Python от 3-х лет;
-понимание способов интеграций IT-систем (шины, очереди, API);
-практический опыт с Kubernetes, Redis;
-опыт работы с реляционными базами данных, уверенные знания SQL;
-понимание принципов CI/CD;
-понимание микросервисной архитектуры;
-опыт работы с ИИ моделями и их внедрением.
Будет плюсом:
-знания в области BigData (Hadoop, Spark), OpenSearch;
-знание планировщиков процессов (AirFlow);
-опыт работы в банковской сфере;
-понимание гибких методологий разработки (Agile);
-знание основных инструментов управления разработкой (например: Jira, Confluence);
-знания и опыт в Machine learning;
-опыт управления IT проектами, включая разработку и внедрение ML моделей в продакшн;
-опыт разработки ML моделей в роли data scientist, data engineer, ML Ops.
*☑️*Что мы предлагаем?
-Хорошая зарплата:уровень обсуждается индивидуально, есть доплаты за менторство и профактивности.
-Развитие:долгосрочные проекты от российских заказчиков, возможность менять направления, прозрачная система Performance Review.
-Комфорт и свобода:релокейт между офисами, выбор формата работы (удалённо, офис, гибрид), адаптация для новых сотрудников.
-Обучение:доступ к корпоративному порталу, митапам, конференциям (и как гость, и как спикер).
-Социальный пакет: ДМС со стоматологией, частичная компенсация спорта, бесплатный английский, оплачиваемый отпуск и больничные.
-Корпоративная жизнь: тимбилдинги, детские праздники, внутренние мероприятия.
Контакты: Откликнуться
Python Job в Telegram | в VK | в Max
Создайте идеальное резюме с помощью ИИ-агента
Навыки
- Python
- Kubernetes
- Redis
- SQL
- CI/CD
- Microservices
- Hadoop
- Apache Spark
- OpenSearch
- Apache Airflow
- Agile
- Jira
- Confluence
- Machine Learning
Возможные вопросы на собеседовании
Вопрос проверяет опыт кандидата в управлении жизненным циклом моделей и понимание специфики MLOps в продакшне.
Расскажите о самом сложном кейсе внедрения ML-модели в продакшн: с какими инфраструктурными проблемами вы столкнулись и как их решили?
Для лида критически важно уметь развивать команду и поддерживать стандарты качества.
Как вы выстраиваете процесс code review в команде и какие метрики используете для оценки эффективности работы инженеров?
Вакансия предполагает работу с микросервисами и Kubernetes.
Как вы организуете мониторинг и логирование для ML-сервисов в Kubernetes, чтобы оперативно отслеживать деградацию моделей?
В требованиях указаны шины и очереди.
В каких случаях для интеграции ML-моделей вы выберете асинхронное взаимодействие через очереди (например, RabbitMQ/Kafka), а в каких — прямой API-запрос?
Упоминание AirFlow и BigData стека требует понимания оркестрации данных.
Опишите ваш опыт проектирования пайплайнов данных в AirFlow для переобучения моделей: как вы обеспечиваете отказоустойчивость и идемпотентность задач?
Похожие вакансии
AI/ML Lead
LEAD AI/ML ENGINEER
AI Tech Lead (LLM)
Senior/Lead AI Automation Engineer
NLP Team Lead
Tech Lead (Python + AI)
1000+ офферов получено
Устали искать работу? Мы найдём её за вас
Quick Offer улучшит ваше резюме, подберёт лучшие вакансии и откликнется за вас. Результат — в 3 раза больше приглашений на собеседования и никакой рутины!